GraphAIR: 이웃 집합 및 상호작용을 통한 그래프 표현 학습

그래프 표현 학습은 노드 분류부터 커뮤니티 탐지에 이르기까지 다양한 그래프 분석 작업에서 매우 중요한 역할을 한다. 최근 들어 그래프 컨볼루션 네트워크(GCNs)는 그래프 표현 학습에 성공적으로 적용되어 왔다. 이러한 GCN들은 이웃 노드의 특징을 집계함으로써 노드 표현을 생성하며, 이는 '이웃 집계(neighborhood aggregation)' 방식을 따르는 것이다. 여러 작업에서 희망적인 성능을 달성하고 있음에도 불구하고, 기존의 GCN 기반 모델은 그래프 데이터의 복잡한 비선형성을 효과적으로 포착하는 데 어려움을 겪고 있다. 본 논문에서는 먼저 이론적으로 현재 모델에서 이웃 상호작용 항의 계수가 상대적으로 작다는 점을 증명함으로써, GCN이 선형 모델과 거의 차이가 없이 성능을 보이는 이유를 설명한다. 이후 그래프 데이터의 복잡한 비선형성을 더 잘 포착하기 위해, 기존의 이웃 집계 외에도 이웃 간 상호작용을 모델링하는 새로운 GraphAIR 프레임워크를 제안한다. 공개 데이터셋을 사용한 기준 작업(노드 분류 및 링크 예측)에 대한 광범위한 실험을 통해 제안된 방법의 효과성을 입증하였다.